许可证: mit
标签:

• 视觉
• 图像分割
  数据集:
• YouTubeVIS-2021

视频Mask2Former模型

基于YouTubeVIS-2021实例分割数据集训练的视频Mask2Former模型（大型版本，Swin骨干网络）。该模型由论文Mask2Former for Video Instance Segmentation提出，并首次发布于此代码库。
视频Mask2Former是对原Mask2Former论文的扩展，原论文名为Masked-attention Mask Transformer for Universal Image Segmentation。

免责声明：发布Mask2Former的团队未为此模型编写模型卡，因此本模型卡由Hugging Face团队撰写。

模型描述

Mask2Former通过预测一组掩码及对应标签，以统一范式处理实例分割、语义分割和全景分割任务，即将所有任务视为实例分割问题。该模型在性能和效率上均超越了前SOTA模型MaskFormer，其创新在于：(1) 采用更先进的多尺度可变形注意力Transformer替代像素解码器；(2) 引入带掩码注意力的Transformer解码器以提升性能且不增加计算量；(3) 通过在采样点上计算损失而非整张掩码，显著提升训练效率。

在论文Mask2Former for Video Instance Segmentation中，作者证明无需调整架构、损失函数或训练流程，Mask2Former即可在视频实例分割任务上达到最先进性能。

适用范围与限制

此特定检查点可用于实例分割任务。访问模型中心可查看其他可能感兴趣的微调版本。

使用方法

使用方式如下：

import torch  
import torchvision  
from huggingface_hub import hf_hub_download  
from transformers import AutoImageProcessor, Mask2FormerForUniversalSegmentation  

# 加载YouTubeVIS 2021实例分割预训练模型  
processor = AutoImageProcessor.from_pretrained("facebook/video-mask2former-swin-large-youtubevis-2021-instance")  
model = Mask2FormerForUniversalSegmentation.from_pretrained("facebook/video-mask2former-swin-large-youtubevis-2021-instance")  

file_path = hf_hub_download(repo_id="shivi/video-demo", filename="cars.mp4", repo_type="dataset")  
video = torchvision.io.read_video(file_path)[0]  
video_frames = [image_processor(images=frame, return_tensors="pt").pixel_values for frame in video]  
video_input = torch.cat(video_frames)  

with torch.no_grad():  
    outputs = model(**video_input)  

# 模型输出形状说明：  
# class_queries_logits: (batch_size, num_queries, num_classes)  
# masks_queries_logits: (num_queries, batch_size, height, width)  
class_queries_logits = outputs.class_queries_logits  
masks_queries_logits = outputs.masks_queries_logits  

# 可通过processor进行后处理  
result = image_processor.post_process_video_instance_segmentation(outputs, target_sizes=[tuple(video.shape[1:3])])[0]  
# 可视化请参考Mask2Former文档"资源"章节的演示笔记  
predicted_video_instance_map = result["segmentation"]  

更多代码示例详见文档。